12、TempUnit：一种受生物启发的脉冲神经网络

TempUnit：一种受生物启发的脉冲神经网络

1. 引言

形式神经网络在任务控制（如运动控制）和语音生成等领域有广泛应用，这些应用存在一些共同的约束条件。以下将介绍基于神经网络的系统为实现这类控制应遵循的七个主要约束条件，随后会介绍能够满足这些条件的TempUnit模型。

1.1 学习能力

神经网络通常具备一定的学习能力。在运动控制或语音生成系统中，学习能力尤为重要，它能使系统建立起运动指令与实际动作之间的联系。在真实系统（非模拟系统）中，无论是生物系统还是机器系统，执行器可能因各种原因发生变化，如生物系统中肢体的生长或损伤，人造系统中部件的损坏或子系统故障。研究表明，运动指令与执行器的特性直接相关。因此，神经网络需具备持续学习的能力，即能够改变其传递函数，这种学习被称为监督学习。

1.2 逆模型

运动控制模型大致可分为反应式和预测式两类。反应式模型通常以闭环方式工作，先发出不精确的运动指令，再利用感官反馈进行更新。但对于大多数运动，感官反馈速度过慢，无法实现高效控制。因此，这里主要关注预测式模型。预测式模型需要计算前向函数，根据给定的运动指令预测执行器的活动。不过，逆函数更为实用，它能根据期望的运动输出确定所需的运动指令。运动控制理论预测，大脑中需要一个逆模型来计算运动指令。

1.3 语法规则

在语言学中，语法是定义单词组合成句子的规则集合。在语音生成控制中，系统遵循语法规则的必要性显而易见。在运动控制中，这一点同样重要，甚至更为关键。因为肢体处于特定位置时，无法立即到达任意其他位置，只能到达少数几个可及位置。负责系统整体控制的神经网络必须严格遵循系统从一个状态到另一个状态的转换规则。